典型文献
轻型多尺度黑色素瘤目标检测网络模型的建立:基于注意力机制调控
文献摘要：
目的 提出一种融入坐标注意力和高效通道注意力机制的深度学习目标检测模型AM-YOLO.方法 运用Mosaic图像增强与MixUp混类增强对图像进行预处理,采用One-Stage结构的目标检测模型YOLOv5s,并对该模型的骨干网络与颈部网络进行改进.在该模型的骨干网络中把空间金字塔的最大池化层替换成二维最大池化层,接着将坐标注意力机制和高效通道注意力机制分别融入到YOLOv5s模型的C3模块与该模型的骨干网络中.将改进后的模型与未改进的YOLOv5s模型,YOLOv3模型,YOLOv3-SPP模型,YOLOv3-tiny模型进行相关算法指标的对比实验.结果 融入了坐标注意力和高效通道注意力机制的AM-YOLO模型能够有效提升对黑色素瘤的识别率,同时也减少了模型权重的大小.AM-YOLO模型在准确率,召回率以及平均精度均值上都要明显优于其他模型,并且对于早期和晚期黑色素瘤的平均精度均值分别达92.8％和87.1％.结论 本文采用的深度学习目标检测算法模型能够应用于黑色素瘤目标的识别中.
文献关键词：
深度学习;目标检测;注意力机制;YOLOv5s;黑色素瘤
中图分类号：
作者姓名：
钟友闻;车文刚;高盛祥
作者机构：
昆明理工大学信息工程与自动化学院,云南 昆明 650500;昆明理工大学云南省计算机技术应用重点实验室,云南 昆明 650500;昆明理工大学云南省人工智能重点实验室,云南 昆明 650500
文献出处：
引用格式：
[1]钟友闻;车文刚;高盛祥-.轻型多尺度黑色素瘤目标检测网络模型的建立:基于注意力机制调控)[J].南方医科大学学报,2022(11):1662-1671
A类：
MixUp
B类：
轻型,目标检测网络,高效通道注意力机制,学习目标,目标检测模型,AM,Mosaic,图像增强,One,Stage,YOLOv5s,骨干网络,空间金字塔,最大池化,层替换,替换成,坐标注意力机制,C3,未改,YOLOv3,SPP,tiny,识别率,模型权重,召回率,平均精度均值,晚期黑色素瘤,目标检测算法,算法模型
AB值：
0.2508
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
